为解决交通拥堵和交通事故的增多问题,智能交通系统应运而生。作为智能交通系统的关键一环,交通信号的研究占据重要地位。对于交通信号的研究包括:交通标志识别、交通灯识别以及交通警察手势识别等方面。近年来,随着计算机技术的不断发展,交通标志的检测成了研究热点。交通标志刚被识别到时一般是小目标,因此对交通标志小目标进行实时精准的检测,可给驾驶员预留更多的反应时间,进而减少反应不及时导致的交通事故。因此本文主要对交通标志的检测技术展开研究,具体工作为:（1）收集交通标志检测领域的公开数据集,对比分析几个数据集的特点,选择TT100K数据集作为本文研究对象。针对该数据集中类别过多,对硬件条件要求过高,并且数据集类别分布严重不均,部分类别存在实例过少甚至为零的问题,对数据集进行改进处理。根据中国交通标志分类特点,将数据集的类别划分为三类,并对部分数据进行重新标注或替换,最终数据集共有9140张样本图片,所含交通标志超过25000个。（2）针对YOLOv5模型在检测小目标交通标志时存在检测精度较低的问题,通过改进检测模型提升检测精度。首先构建拥有更多浅层特征信息的目标检测层,将原图像的4倍下采样得到的特征图与骨干网络提取的对应尺度特征图进行拼接,从而融合更多自底向上的细节信息与自顶向下的语义信息,并以此为基础建立感受野更小的超小目标检测层;在特征融合网络部分引入CBAM注意力机制模块,提高网络对于空间与通道关键信息的提取能力;使用EIo U对网络的损失函数进行改进,提高网络在检测小目标交通标志时的精度。（3）针对模型在检测小目标交通标志时实时性差的问题,提出另一种轻量化的检测模型。使用轻量化网络Mobile Netv3替换原先模型的主干网络,并使用深度可分离卷积替换特征融合网络中的部分标准卷积,进一步减少模型计算量。与原YOLOv5算法相比,本文算法在交通标志小目标的检测精度和检测速度上都有较明显的提升。